第3章传感器与感知输入

第3章：传感器与感知输入：激光雷达、毫米波雷达、摄像头、超声波雷达的特性与数据融合

各位同学，今天我们聊聊感知层的核心——传感器。说白了，自动驾驶的“眼睛”就靠这几样东西。我做了这么多年规划，最深的体会是：没有完美的传感器，只有聪明的融合策略。

3.1 激光雷达：精度之王，但也有脾气

激光雷达，大家习惯叫它LiDAR。它的原理很简单——发射激光束，测量反射时间，算出距离。精度能到厘米级，甚至毫米级。

优点很明显：

点云密度高，能构建3D环境模型
不受光照影响，晚上照样干活
直接测距，不需要复杂的视觉算法

缺点也让人头疼：

价格贵，尤其是机械旋转式的
怕雨雪雾，激光会被水滴散射
对黑色物体、镜面反射物体容易“失明”

我的经验： 有一次在雨夜测试，激光雷达几乎“瞎了”，点云稀疏得像星空。后来我强制在雨雪天气降低对LiDAR的置信度，改用毫米波雷达做主传感器。这个坑，踩过一次就记住了。

3.2 毫米波雷达：全天候选手

毫米波雷达，频率在30-300GHz之间。它不像激光雷达那么精细，但胜在稳定。

核心特性：

穿透能力强，雨雪雾天照样工作
直接测量速度（多普勒效应），这点LiDAR做不到
探测距离远，长距雷达能到200米以上

但别高兴太早：

角度分辨率低，很难区分两个靠近的目标
对静止目标检测能力弱，容易漏检
容易产生虚警，比如井盖、路牌都可能被误判

为什么会这样？因为毫米波雷达的波束比较宽，不像激光那样“指哪打哪”。我建议在融合时，把毫米波雷达的速度信息作为强约束，位置信息作为弱约束。

3.3 摄像头：最像人眼，也最像人眼一样会骗人

摄像头，说白了就是视觉传感器。它提供的信息最丰富——颜色、纹理、语义信息。但也是最难处理的。

优势：

能识别车道线、交通标志、行人姿态
成本低，一个高清摄像头才几百块
分辨率高，细节丰富

劣势：

严重依赖光照，逆光、黑夜、隧道出入口都会出问题
单目摄像头无法直接测距，需要复杂的算法推算
对快速运动物体容易产生运动模糊

注意： 我曾经遇到过摄像头在隧道出口瞬间“白屏”，因为亮度从暗到亮变化太快。这时候如果完全依赖视觉，后果不堪设想。所以，永远不要只靠摄像头做紧急避障。

3.4 超声波雷达：近场守护者

超声波雷达，频率在40-60kHz。它很便宜，但作用范围有限。

典型应用：

自动泊车时的近距离障碍物检测
盲区监测
低速跟车时的防碰撞

局限性：

探测距离短，一般不超过5米
受温度、风速影响大
响应速度慢，不适合高速场景

嗯，这里要注意：超声波雷达的波束角很宽，容易产生“串扰”——两个相邻的超声波雷达互相干扰。我建议在硬件设计时就做好分时触发，别让它们同时发射。

3.5 数据融合：1+1>2 的艺术

好了，四种传感器都讲完了。现在的问题是：怎么把它们的数据捏在一起？

融合的层次：

数据级融合： 直接融合原始数据，比如把激光点云和图像像素对齐。计算量大，但信息损失少。
特征级融合： 先提取特征（比如障碍物轮廓、速度），再融合。这是工程中最常用的方式。
决策级融合： 每个传感器独立做决策，最后投票。简单，但容易丢失细节。

我推荐的做法：

在紧急避障场景下，我习惯用特征级融合 + 卡尔曼滤波。具体来说：

// 伪代码示例：多传感器目标跟踪
void SensorFusion() {
    // 1. 时间对齐（不同传感器帧率不同）
    AlignTimestamp(liDAR_data, radar_data, camera_data);
    
    // 2. 空间对齐（统一到车体坐标系）
    TransformToVehicleFrame(liDAR_data);
    TransformToVehicleFrame(radar_data);
    TransformToVehicleFrame(camera_data);
    
    // 3. 关联匹配（判断是不是同一个目标）
    MatchObjects(liDAR_objects, radar_objects);
    
    // 4. 状态估计（卡尔曼滤波融合）
    KalmanFilter fused_state;
    fused_state.Update(liDAR_measurement, weight_high);
    fused_state.Update(radar_measurement, weight_medium);
    fused_state.Update(camera_measurement, weight_low);
    
    // 5. 输出融合后的障碍物列表
    return fused_state.GetObjects();
}

    关键点： 不同传感器的置信度权重不是固定的。比如在雨雪天，我会把激光雷达的权重从0.8降到0.3，毫米波雷达的权重从0.5升到0.9。说白了，融合算法要能自适应环境。

3.6 避坑指南：我踩过的那些坑

最后，分享几个实战中容易忽略的问题：

时间同步： 激光雷达10Hz，摄像头30Hz，毫米波雷达20Hz。如果不做时间对齐，融合出来的目标位置可能差好几米。我曾经因为这个原因，让车辆对着一堵墙“急刹车”——其实墙在1秒前就已经过去了。
坐标系转换： 每个传感器都有自己的坐标系。安装位置、角度稍有偏差，融合结果就天差地别。我建议每次装车后都做一次外参标定，别偷懒。
延迟补偿： 从传感器采集到算法输出，有几十毫秒的延迟。在高速行驶时，这几十毫秒可能意味着几米的误差。我习惯在融合结果中加入运动补偿，根据当前车速和角速度推算目标的最新位置。

好了，这一章的内容就到这里。传感器融合是个系统工程，没有银弹。你想想看，每种传感器都有自己的“性格”，我们要做的不是选一个最好的，而是让它们互补短板、发挥长处。下一章，我们会聊聊如何用这些融合后的数据做紧急避障的决策规划。

📚 课程目录